Как работает извлечение данных из документов с помощью ИИ

Документ попадает в процесс извлечения

Всё начинается с исходного документа.

• цифровой PDF;
• отсканированный PDF;
• изображение;
• счёт;
• чек;
• договор;
• банковская выписка;
• внутренняя форма;
• другой документ, специфичный для бизнеса.

Формат важен, потому что документы раскрывают своё содержимое по-разному. PDF, созданный в цифровом виде, может уже содержать машиночитаемый текст. Отсканированный PDF может состоять только из изображений страниц. Договор в основном состоит из абзацев, а счёт содержит подписи, итоги и таблицы.

С точки зрения пользователя в Heyyel Data Extractor процесс начинается с загрузки документа и выбора нужного результата. Для распространённых типов документов можно начать с предложенных полей. Для процесса, специфичного для вашего бизнеса, режим Настраиваемый / Пустой позволяет самостоятельно задать структуру извлечения.

Вы не просто предоставляете документ. Вы также определяете, что ожидаете от него получить.

Содержимое становится машиночитаемым

Прежде чем система сможет находить бизнес-информацию, ей нужен доступ к содержимому документа.

В цифровых PDF текст может быть уже доступен. Для отсканированных документов или изображений обычно нужен OCR — оптическое распознавание символов —, чтобы распознать видимые символы.

Invoice Number: INV-45821
Invoice Date: 12 August 2026
Total Due: $7,817.50

Это важный этап, но не конец извлечения. OCR может сообщить системе, что в документе несколько видимых сумм:

$8,250.00
$1,567.50
$2,000.00
$7,817.50

Это не означает автоматически, что процесс знает, какое значение является total_due.

OCR делает содержимое документа читаемым. Структурированное извлечение определяет, какие части этого содержимого соответствуют нужной процессу информации.

Вы определяете ожидаемую структуру извлечения

Здесь важным становится извлечение по полям. Вместо того чтобы просить систему вернуть всё, что есть в счёте, вы определяете информацию, которая вам действительно нужна.

supplier_name
invoice_number
invoice_date
project
contract_reference
total_due

В Heyyel Data Extractor эти поля можно настроить с подходящими типами данных:

Эта схема сообщает процессу извлечения, что должен содержать итоговый результат.

Система использует контекст документа для определения значений

Документы передают смысл не только отдельными словами. Положение, подписи, окружающий текст и структура помогают установить связи.

Invoice Date: 12 August 2026
Due Date: 11 September 2026

Оба значения — даты. Задача извлечения — не «найти дату», а «найти дату, соответствующую invoice_date».

Contract Reference: CTR-8841

Значение CTR-8841 приобретает смысл благодаря окружающей подписи и контексту документа. Это одна из причин, по которой извлечение на основе ИИ может быть гибче парсера, полностью зависящего от фиксированных координат.

Инструкции по извлечению помогают устранить неоднозначность

Названий полей не всегда достаточно. Инструкции по извлечению могут давать дополнительный контекст, когда полю нужна точность. В нашем примере счёта четыре денежные суммы:

Subtotal: $8,250.00
Tax: $1,567.50
Amount already paid: $2,000.00
Total Due: $7,817.50

Поле с названием amount было бы неоднозначным. Лучше поле total_due.

Извлечь окончательную сумму, которую ещё нужно оплатить после налогов, скидок и предыдущих платежей.

Теперь у процесса два элемента контекста:

• Поле: total_due
• Инструкция: окончательная сумма к оплате

Ожидаемое значение — 7817.50, а не 8250.

Тот же принцип применим к датам. Вместо расплывчатого поля вроде date используйте более точное, например contract_effective_date, с инструкцией такого вида:

Извлечь дату вступления соглашения в силу, а не дату подписания.

Таблицам и повторяющейся информации тоже нужна структура

Не каждый документ состоит из отдельных пар «ключ — значение». В счетах могут быть позиции. В банковских выписках — операции. В отчётах — повторяющиеся измерения.

Если извлечь каждую ячейку как несвязанный текст, важные связи будут потеряны. Полезное структурированное представление их сохраняет:

{
  "items": [
    {
      "description": "Design work",
      "quantity": 2,
      "unit_price": 2500,
      "total": 5000
    },
    {
      "description": "Development",
      "quantity": 1,
      "unit_price": 3250,
      "total": 3250
    }
  ]
}

Поэтому повторяющуюся информацию часто представляют массивами или вложенными структурами, а не втискивают всё в одно текстовое поле.

Извлечённая информация становится нормализованными структурированными данными

Когда запрошенные значения определены, результат можно представить с помощью согласованных типов данных.

Invoice Date: 12 August 2026
Total Due: $7,817.50

может превратиться в:

{
  "invoice_date": "2026-08-12",
  "total_due": 7817.50
}

В документе используются даты в естественной записи, форматирование валюты, подписи и свободный текст. В результате — предсказуемые названия полей, заданные типы данных и единая структура.

{
  "supplier_name": "Northstar Services",
  "invoice_number": "INV-45821",
  "invoice_date": "2026-08-12",
  "project": "Website Redesign",
  "contract_reference": "CTR-8841",
  "total_due": 7817.50
}

Практическая цель — не просто PDF → текст, а Документ → информация, которая может стать структурированными данными, пригодными для другой системы.

Проверьте результат, прежде чем использовать его дальше

ИИ-извлечение не следует автоматически считать безупречным. В реальных документах бывают плохие сканы, отсутствующие поля, неожиданные макеты, неоднозначные подписи, рукописная информация, многостраничные таблицы и несколько похожих дат или сумм.

Поэтому в важных процессах извлечённые значения может потребоваться сверить с исходным документом, прежде чем использовать их в других местах.

total_due = 7817.50

должно соответствовать:

Total Due: $7,817.50

а не:

Subtotal: $8,250.00

Проверка человеком и автоматизация не обязаны противоречить друг другу. Хороший процесс автоматизирует рутинное получение данных и сохраняет проверку там, где она приносит пользу.

Экспортируйте структурированный результат

Когда извлечённая информация готова, её нужно передать на следующий шаг. В Heyyel Data Extractor структурированные результаты можно экспортировать в JSON или CSV.

Исходный процесс мог выглядеть так:

Открыть счёт → Найти значение → Скопировать → Вставить в таблицу → Повторить

Автоматизированный процесс выглядит так:

Загрузить → Определить поля → Извлечь → Проверить → Экспортировать